Google amplió las herramientas de voz de Gemini con dos modelos especializados en convertir audio en texto. Gemini 3.5 Transcribe procesa grabaciones, mientras Gemini 3.5 Transcribe Live genera la transcripción mientras la persona habla.
Dos modelos para necesidades diferentes
Gemini 3.5 Transcribe está pensado para audios que ya existen, como entrevistas, reuniones, clases, pódcast o notas de voz.
El modelo puede detectar el idioma de cada intervención, separar las voces de diferentes participantes e indicar el momento exacto en el que fue pronunciada cada palabra.
También permite añadir hasta 1.000 términos personalizados para orientar el reconocimiento de nombres propios, abreviaturas y vocabulario técnico.
Más de 85 idiomas y varios hablantes
Los modelos son compatibles con más de 85 idiomas. Google no afirma que alcancen la misma precisión en todos ellos, por lo que el resultado puede variar según el idioma, la claridad de la voz, el micrófono y el ruido del entorno.
La separación de hablantes distingue las diferentes voces de una conversación, pero no identifica automáticamente el nombre real de cada persona. Una aplicación puede utilizar etiquetas como “Hablante 1” y “Hablante 2” para organizar las intervenciones.
Transcripción en tiempo real
Gemini 3.5 Transcribe Live mantiene una conexión continua para procesar el audio mientras la persona habla.
El modelo puede entregar resultados provisionales durante una intervención y confirmar la transcripción cuando detecta que la persona terminó de hablar. Esta capacidad puede utilizarse como base para subtítulos en directo, asistentes de voz o reuniones transcritas mientras ocurren.
Disponibilidad
Los dos modelos están disponibles mediante Gemini Developer API y pueden probarse en Google AI Studio. Google los presenta como versiones estables para desarrolladores.
La documentación incluye un nivel gratuito con límites y planes de pago para aplicaciones con mayor volumen. El acceso gratuito no es ilimitado y las condiciones pueden variar según el uso del servicio.
